Chargement des librairies

Chargement des données brutes

Transformation

  • Transformation log2 centré et mise à l’échelle interquartile pour CPMG et NOESY
  • Transformation CLR pour OTU (log et centré = center log ratio)
    cf code html métabo

Chargement et filtre des données

Garder uniquement les OTUs présents dans >30% des échantillons (on ne fera rien des autres pour le réseau).
compter nbre de 0 dans chaque colonne et ne retenir que ceux présents dans au moins 30% des échantillons soit 253 sur 846

Sortie : >huge::huge.roc(se\(est\)path, graph, verbose=FALSE)

True Postive Rate: from 0 to 0.988806 False Positive Rate: from 0 to 0.7952971 Area under Curve: 0.7800105 Maximum F1 Score: 0.9760311 > stars.pr(getOptMerge(se), graph, verbose=FALSE)

True Postive Rate: from 0 to 0.9626866 False Positive Rate: from 0 to 0.1032948 Area under Curve: 0.9778643 Maximum F1 Score: 0.9642207

chargement des simulations avec différentes méthodes

MB, Glasso et SparCC

#load("spiec_easi.Rdata")
#load("spiec_easi2.Rdata")
#load("spiec_easi_filt.Rdata")
#se.mb.biom_init <- se.mb.biom
#se.gl.biom_init <-  se.gl.biom

#load("spiec_easi_filt_teste1.Rdata")
#load("spiec_easi_filt_teste2.Rdata")
#load("spiec_easi_p1.Rdata")

#load("spiec_easi_gl_mb.Rdata")
load("spiec_easi_gl_mb.Rdata")

## Define arbitrary threshold for SparCC correlation matrix for the graph
sparcc.graph <- abs(sparcc.biom$Cor) >= 0.3
diag(sparcc.graph) <- 0

sparcc.graph <- Matrix(sparcc.graph, sparse=TRUE)
## Create igraph objects

#lambda.min.ratio=1e-3  
ig.mb_1     <- adj2igraph(getRefit(se.mb.biom_1))
ig.gl_1     <- adj2igraph(getRefit(se.gl.biom_1))
ig.sparcc_1 <- adj2igraph(sparcc.graph)

#lambda.min.ratio=1e-2 val par défaut
ig.mb     <- adj2igraph(getRefit(se.mb.biom))
ig.gl     <- adj2igraph(getRefit(se.gl.biom))
ig.sparcc <- adj2igraph(sparcc.graph)

#lambda.min.ratio=5e-2
ig.mb005     <- adj2igraph(getRefit(se.mb.biom005))
ig.gl005     <- adj2igraph(getRefit(se.gl.biom005))
ig.sparcc005 <- adj2igraph(sparcc.graph)

#lambda.min.ratio=0.1
ig.mb01     <- adj2igraph(getRefit(se.mb.biom01))
ig.gl01     <- adj2igraph(getRefit(se.gl.biom01))
ig.sparcc01 <- adj2igraph(sparcc.graph)

#lambda.min.ratio=0.15
ig.mb015    <- adj2igraph(getRefit(se.mb.biom015))
ig.gl015    <- adj2igraph(getRefit(se.gl.biom015))
ig.sparcc015 <- adj2igraph(sparcc.graph)

#lambda.min.ratio=0.2
ig.mb02     <- adj2igraph(getRefit(se.mb.biom02))
ig.gl02     <- adj2igraph(getRefit(se.gl.biom02))
ig.sparcc02 <- adj2igraph(sparcc.graph)


#lambda.min.ratio=0.3
ig.mb03     <- adj2igraph(getRefit(se.mb.biom03))
ig.gl03    <- adj2igraph(getRefit(se.gl.biom03))
ig.sparcc03 <- adj2igraph(sparcc.graph)

Visualisation

Evaluation du poids des liaisons du reseau (edge)

degrés de statistique des réseaux inférrés par chaque méthode

Visualisation du reseau par famille

Methode MB

Méthode Glasso

Learning latent variable graphical models